AgentEval：有状态 AI 智能体的有界证据评估系统

研究人员提出面向有状态 AI 智能体的评估系统 AgentEval，通过工具执行、状态与事件捕获、报告限定和案例维护来追踪受契约约束的评估记录。在 32 次工具环境测试中，独立检查对全部 30 个完整轮次达成一致，对 48 个证据视图的对照干预揭示了仅靠哈希检查遗漏的 36 处绑定错误。在 192 次公开基准测试中，该系统成功从整体任务失败中识别出 10 个已完成的返回子目标。